Ứng dụng mạng nơron nhân tạo để đánh giá mức độ ảnh hưởng của các nhân tố đến sự thỏa mãn công việc

##plugins.themes.academic_pro.article.main##

Author

  • Hà Thị Phương Thảo*

Từ khóa:

mạng nơron nhân tạo
thuật toán nhận dạng mẫu
mối quan hệ phi tuyến
mạng nơron MLP
sự thỏa mãn công việc

Tóm tắt

Mạng nơron nhân tạo là thuật toán nhận dạng mẫu tiên tiến có khả năng trích rút ra các mối quan hệ phi tuyến phức tạp giữa các biến [10]. Bài báo trình bày một ứng dụng của mạng nơron nhân tạo, cụ thể là mạng nơron MLP nhằm đánh giá mức độ ảnh hưởng của các nhân tố đến sự thỏa mãn công việc. Một nghiên cứu tại công ty Cổ phần cao su Đà Nẵng được dẫn ra như là một minh họa cho phương pháp này. Quá trình phân tích dữ liệu được tiến hành trên các phần mềm SPSS, EXCEL, WEKA thu được mạng nơron MLP giản đơn gồm một lớp vào (5 nơron), một lớp ẩn (4 nơron) và một lớp ra (1 nơron). Kết quả nghiên cứu cho thấy 5 nhân tố chính tác động đến sự thỏa mãn công việc được xếp hạng theo thứ tự: Đào tạo và thăng tiến; Thu nhập; Đặc điểm công việc; Phúc lợi; Cấp trên.

Tài liệu tham khảo

    [1] Hoàng Trọng, Chu Nguyễn Mộng Ngọc (2005), Phân tích dữ liệu nghiên cứu với SPSS, Nhà xuất bản Thống kê.
    [2] Brikend Aziri (2011), Job satisfaction: A literature review, Management Research and Practice, Vol.3.
    [3] Singh Anita (2012), Job satisfaction in insurance sector: An empirical investigation, International Journal of engineering and management sciences, Vol.3, No.4.
    [4] Weiss D.J, Dawis R.V, England G.W, Lofquist L.H (1967), Manual for Minnesota Satisfaction Questionaire (Minnesota studies in vocational rehabilitation), Minnesota Industrial Relations Center, Vol.22.
    [5] Smith P.C, Kendal L.M, Hulin C.L (1969), The measurement of satisfaction in work and retirement, Chicago: Rand McNally.
    [6] Raúl Rojas (1996), Neural Networks: A Systematic Introduction, Springer, Berlin.
    [7] A. Brown (1991), Nerve Cells and Nervous Systems, Springer-Verlag, Berlin.
    [8] Mehmed Kantardzic (2003), Data mining: Concepts, Models, Methods, and Algorithms, John Willey & Sons.
    [9] Paolo Giudici (2003), Applied Data Mining: Statistical Methods for Business and Industry, Wiley.
    [10] Mark John Somers, Jose C.Casal (2009), Using Artificial Neural Networks to Model Nonlinearity: The Case of the Tob Satisfaction- Job Performance Relationship, SAGE Publications, Vol.12, No.3.
    [11] Guoqiang Zhang, B. Eddy Patuwo, Michael Y.Hu (1998), Forecasting with artificial neural networks: The state of the art, International Journal of Forecasting, Elsevier, Vol.14.
    [12] Diana D.Suhr, Exploratory and Confirmatory Factor Analysis, University of Northern Colorado, Statistics and Data Analysis, Paper 200-31, SUGI 31.
    [13] A.Azadeh, M.Rouzbahman, M.Saberi, I.Mohammad Fam (2011), An adaptive neural network algorithm for assessment and improvement of job satisfaction with respect to HSE and ergonomics program: The case of a gas refinery, Journal of Loss Prevention in the Process Industries, Vol.24.
    [14] Tamer Khatib, Azah Mohamed, K. Sopian, and M. Mahmoud (2012), Assessment of Artificial Neural Networks for Hourly Solar Radiation Prediction, International Journal of Photoenergy, Vol.2012, Article ID 946890, 7 pages.
    [15] Julian D. Olden, Michael K. Joy, Russell G.Death (2004), An accurate comparision of methods for quantifying variable importance in artificial neural networks using simulated data, Ecological Modelling, Paper 389-397, Elsevier, Vol.178, No.3.
Xem thêm

##plugins.themes.academic_pro.article.sidebar##

Đã Xuất bản

Nov 30, 2013
Download
PDF
Cách trích dẫn
Ha Thi Phuong Thao*. “Ứng dụng mạng nơron nhân tạo để đánh Giá mức độ ảnh hưởng của các nhân tố đến sự thỏa mãn công việc”. Tạp Chí Khoa học Và Công nghệ - Đại học Đà Nẵng, vol 11, số p.h 72, Tháng Mười-Một 2013, tr 63-68, https://jst-ud.vn/jst-ud/article/view/2092.

##plugins.themes.academic_pro.article.details##